[发明专利]一种数据处理的方法、装置、可读存储介质和电子设备

说明书

本发明实施例公开了一种数据处理的方法、装置、可读存储介质和电子设备。本发明实施例通过历史订单数据获取至少两个阶段的样本数据，所述订单数据根据订单状态的不同被划分为至少两个阶段，所述样本数据对应于不同的采样时间点，所述样本数据包括特征向量和采样时间点距离切换为下一订单状态的时刻的时长，根据所述特征数据训练时间预测模型，其中，所述时间预测模型的输入为样本数据的特征向量，所述时间预测模型的输出为所述采样时间点距离切换为下一订单状态的时刻的时长。通过上述方法，训练时间预测模型，通过所述时间预测模型能够实时预测配送过程中当前时刻距离切换为下一订单状态的时刻的时长，提高时长预测的准确性。

技术领域

本发明涉及数据处理领域，具体涉及一种数据处理的方法、装置、可读存储介质和电子设备。

背景技术

随着科技的进步，改变了人们的生活方式，例如，外卖、快递等行业的飞速发展，使人们的生活更加方便。以外卖为例，用户通过终端设备中的外卖应用程序发出订单，外卖应用程序将订单发送给商户并分配复杂配送该订单的骑手，用户发出订单后，外卖应用程序会显示出该订单的预计送达时间，以便提示用户，但是由于应用程序只显示整体的预计送达时间，用户无法获知具体的订单配送过程中骑手的状态，而显示的预计送达时间可能会存在不准确的问题，造成用户的困扰，影响用户的使用体验。

发明内容

有鉴于此,本发明实施例提供了一种数据处理的方法、装置、可读存储介质和电子设备，能够实时预测配送过程中当前时刻距离下一阶段的起始时刻需要的时间，提高时间预测的准确性。

第一方面，本发明实施例提供了一种数据处理的方法，该方法包括：根据历史订单数据获取至少两个阶段的样本数据，其中，所述历史订单数据根据订单状态的不同被划分为至少两个阶段，所述样本数据对应于不同的采样时间点，所述样本数据包括特征向量和采样时间点距离切换为下一订单状态的时刻的时长，各所述样本数据的特征向量根据对应的采样时间的订单状态信息确定，不同阶段的样本数据的特征向量具有相同的格式；根据所述特征数据训练时间预测模型，其中，所述时间预测模型的输入为样本数据的特征向量，所述时间预测模型的输出为所述采样时间点距离切换为下一订单状态的时刻的时长。

优选地，不同阶段的样本数据的特征向量具有相同的维度，所述样本数据的特征向量中与所述样本数据所属阶段不匹配的至少部分数据项为空。

优选地，所述与所述样本数据所属阶段不匹配的至少部分数据项具体为：数据项所对应的阶段在所述样本数据所属阶段之后的数据项。

优选地，所述阶段包括接单阶段、到店阶段、取送阶段、送达阶段中的至少两项。

优选地，通过如下方式确定所述特征向量：

响应于样本数据所属阶段为接单阶段，根据运力所属运力线、运力当前状态、运力距离店铺的距离、运力当前任务量、当前时间至运力接收任务的时刻的时长、运力到达店铺的平均等待时长、运力接收任务的时刻至运力到达店铺的时刻的平均时长中的至少一项确定所述特征向量；

响应于样本数据所属阶段为到店阶段，根据运力所属运力线、运力当前状态、运力距离店铺的距离、运力当前任务量、当前时间至运力接收任务的时刻的时长、运力到达店铺的平均等待时长、运力接收任务的时刻至运力到达店铺的时刻的平均时长、运力当前到达店铺的未取任务量、运力达到店铺后设定时长内取餐的比例中的至少一项确定所述特征向量；以及

响应于样本数据所属阶段为取送阶段，根据运力所属运力线、运力当前状态、运力距离店铺的距离、运力当前任务量、当前时间至运力接收任务的时刻的时长、运力到达店铺的平均等待时长、运力接收任务的时刻至运力到达店铺的时刻的平均时长、运力当前到达店铺的未取任务量、运力达到店铺后设定时长内取餐的比例、运力当前任务与用户的距离是否为运力全部任务中的最近距离中的至少一项确定所述特征向量。

优选地，所述时间预测模型为深因子模型DeepFM。